En este video explico un proyecto completo de aplicación de Machine Learning a datos de automóviles, comenzando por la recolección de datos del sitio QatarSale utilizando Web Scraping, luego transformando los datos en un Conjunto de Datos organizado, y realizando Comprensión de Datos y Preprocesamiento de Datos, hasta entrenar un modelo de Regresión Lineal para predecir los precios de los automóviles.
El proyecto incluye la extracción de datos de automóviles como año de fabricación, número de cilindros, kilometraje y precio, luego transformando los datos textuales en datos numéricos que se pueden usar en el modelo de aprendizaje automático.
Después se limpian los datos y se eliminan las columnas innecesarias, luego se dividen los datos en Entrenamiento y Validación, y se aplica Normalización Min-Max y Estandarización, se analiza la Correlación entre las variables, y se construye un modelo de Regresión Lineal y se evalúa utilizando el Error Cuadrático Medio (MSE).
También se presenta una Visualización de los datos antes y después del procesamiento, además de comparar los precios reales con los precios que espera el modelo.
El proyecto ilustra un ciclo de trabajo completo en Machine Learning que comienza con:
Web Scraping → Creación de Conjunto de Datos → Comprensión de Datos → Preprocesamiento de Datos → Visualización de Datos → Selección de Características → División de Datos → Normalización → Estandarización → Análisis de Correlación → Regresión Lineal → Evaluación del Modelo.
Conjunto de Datos: 200 Registros de Automóviles
Modelo: Regresión Lineal
Variable Objetivo: Precio del Automóvil
Características: Año, Cilindros, Kilometraje
Métrica de Evaluación: Error Cuadrático Medio (MSE)